小编2xB*_*2xB的帖子

使用g++flag编译时，这些对数组和向量求和的函数之间似乎存在性能差异-O3：

float sum1(float* v, int length) {
    float sum = 0;
    for(int i = 0; i < length; i++) {
        sum += v[i];
    }
    return sum;
}

float sum2(std::vector<float> v) {
    return sum1(&v[0], v.size());
}

当sum1使用例如长度为 100000 和sum2具有相同长度和内容的向量调用时，sum2最终大约为。比sum1我的测试慢 10% 。测量的运行时间是：

sum1: 0.279816 ms
sum2: 0.307811 ms

现在这个开销从何而来？附加您还可以找到我在那里犯错误的可能性的完整测试代码。

[更新]通过引用 ( float sum2(std::vector<float>& v))调用时，性能差异约为 . 还剩下 3.7%，所以这会有所帮助，但在其他地方仍有一些性能损失？

[更新 2]其余的似乎在统计上占主导地位，从更多的迭代中可以看出。因此，唯一的问题确实是通过引用调用！

完整的测试代码（编译标志-O3与g++，也与测试clang++）：

sum1: …

我会假设：

import numpy as np
a = np.array(["a", "b", "c"])
print(a == "abc")
print("abc" == a)

输出

[False False False]
False

，因为后者的比较应该为字符串使用相等的定义，而前者的比较应该为NumPy数组使用相等的定义。

实际输出为：

[False False False]
[False False False]

为什么会发生这种情况[1]，如何防止这种情况发生[2]？

[1]即为什么str.__eq__ NotImplemented？

[2]也就是说，如果np.ndarray.__eq__不执行，如何调用执行的相等性检查？

[编辑]该问题被标记为与elementwise比较字符串1-d numpy数组可能重复，但不是，因为提出了完全相反的要求（基本上是如何使用np.ndarray.__eq__），并且[1]和[2]都不是讨论过。